Technische Universität München Flüsse, Schnitte, bipartite Graphen Vlad Popa 08.06.2010 Technische Universität München Inhaltsverzeihnis 1. 2. 3. 4. 5. Flussnetzwerke und Flüsse 1.1 Ford- Fulkerson 1.2 Edmond Karp 1.3 Dinic Schnitte Maximaler Fluss bei minimalen Kosten Bipartite Graphen 4.1 Matchings 4.2 Minimal vertex cover 4.3 Minimal edge cover 4.4 Maximal independent set 4.5 Eigenschaften bipartiter Graphen Aufgaben Technische Universität München Flussnetzwerke und Flüsse • Definition: Ein Flussnetzwerk G=(V, E) ist ein gerichteter Graph, in dem jede Kante (u, v) ϵ E eine nichtnegative Kapazität c(u, v) >= 0 hat. • Zwei Knoten spielen eine besondere Rolle: Quelle s, Senke t. • Ein Fluss in G ist die Funktion f: VxV -> |R, die folgende Bedingungen erfüllt: - Kapazitätsbeschränkung: f(u, v) <= c(u, v) - Asymmetrie: f(u, v) = - f(v, u) - Flusserhaltung: Bei einem Knoten muss der Zufluss gleich dem Abfluss sein. (Ausnahme: Quelle und Senke) Technische Universität München Kleines Beispiel Technische Universität München Algorithmen 1. Ford- Fulkerson Technische Universität München Ford- Fulkerson Algorithmus 1. Der Algorithmus sucht einen Pfad (Erweiterungspfad) vom Start- zum Zielknoten im Restnetzwerk G. 2. Der Fluss wird mit der kleinsten Kapazität, cmin, entlang des Pfades erhöht. 3. Der Fluss auf einer Kante (u, v) des Pfades wird folgendermaßen aktualisiert: f[u, v] = f[u, v] + cmin; f[v, u] = -f[u, v]; 4. Falls es noch einen Erweiterungspfad gibt springe wieder zu 1. Technische Universität München • Ford-Fulkerson(G; q; s) 1 for alle Kanten (u, v) ϵ E 2 do f [u, v] = 0 3 f [v, u] = 0 4 while es existiert ein Pfad p von Q nach S im Restnetzwerk G 5 do 6 c (p) = min{c (u, v) : (u, v) gehört zu p} 7 for alle Kanten (u, v) von p 8 do f [u, v] = f [u, v] + c(p) 9 f [v, u] = -f [v, u] Technische Universität München Algorithmen 1. Ford- Fulkerson 2. Edmond Karp Technische Universität München Edmonds- Karp Algorithmus • Benutzt dieselbe Idee wie Ford- Fulkerson. • Unterschied: Jedes mal wird der Erweiterungspfad durch eine Breitensuche im Restnetzwerk gesucht. Technische Universität München Beispiel Forts. Technische Universität München Technische Universität München Technische Universität München Technische Universität München Technische Universität München Algorithmen 1. Ford- Fulkerson 2. Edmond Karp 3. Dinic Technische Universität München Dinic Algorithmus 1. Man modifiziert das Netzwerk G, so dass im neuen Netzwerk G’ nur diejenigen Kanten bleiben, die auf einem optimalen Weg von s nach t führen. (Durch BFS). Es entsteht ein DAG. 2. Durch eine DFS kann man rekursiv den Fluss auf mehreren Pfaden aktualisieren: Sei P1: s -> ...d1...-> n-> .... -> t P2: s -> ...d1...-> n -> ... -> t. => Wenn in n für P1 B Fluss kommt und mit C kann man insgesamt aufpumpen => für P2: C – B Fluss 3. Wenn 2. den Fluss verändert beginne wieder mit 1. Technische Universität München Komplexität • Ford- Fulkerson: Hängt stark von der Wahl des erweiternden Weges ab. Grundsätzlich ist hier die Komplexität O(E * flow) Technische Universität München • Ford-Fulkerson(G; q; s) 1 for alle Kanten (u, v) ϵ E 2 do f [u, v] = 0 3 f [v, u] = 0 4 while es existiert ein Pfad p von Q nach S im Restnetzwerk G -> O(flow) 5 do 6 c (p) = min{c (u, v) : (u, v) gehört zu p} 7 for alle Kanten (u, v) von p -> O(E) 8 do f [u, v] = f [u, v] + c(p) 9 f [v, u] = -f [v, u] Technische Universität München Komplexität • • Ford- Fulkerson: Hängt stark von der Wahl des erweiternden Weges ab. Grundsätzlich ist hier die Komplexität O(E * flow) Edmond- Karp: O(V * E^2) Technische Universität München Komplexität • • • Ford- Fulkerson: Hängt stark von der Wahl des erweiternden Weges ab. Grundsätzlich ist hier die Komplexität O(E * flow) Edmond- Karp: O(V * E^2) Dinic: O(V^2 * E) Technische Universität München Schnitte • Definition: ein q- s- Schnitt ist eine Aufteilung des Graphen in zwei Mengen, wobei die Knoten q und s in verschiedenen Mengen liegen. • Minimaler Schnitt: Schnitt, bei dem die Gesamtkapazität über den Schnitt minimal ist. (c (s, t) - minimal) Technische Universität München Äquivalenz: Maximaler Fluss – minimaler Schnitt Wenn f ein Fluss in einem Flussnetzwerk G = (V, E) mit der Quelle s und der Senke t ist, dann sind die folgenden Bedingungen äquivalent: 1. f ist ein maximaler Fluss in G. 2. Das Restnetzwerk Gf enthält keine Erweiterungspfade. 3. Es gilt |f| = c(S, T) (für einen Schnitt (S, T) von G). Technische Universität München Pseudocode MinCut(G; q; s) • Berechne maximalen Fluss • Starte DFS von q im Restnetzwerk • A = von q erreichbare Knoten • return A, G \ A Technische Universität München Maximaler Fluss bei minimalen Kosten • Jede Kante besitzt zusätzlich Kosten, die angeben, wie teuer es ist, eine Einheit Fluss über diese Kante zu leiten. • f[u, v] < 0 => cost[u, v] = -cost[v, u]. • Endziel: ∑(u, v) ϵ E f[u, v] * cost[u, v] soll minimal sein. Technische Universität München Standardaufgabe Es gibt n Arbeiter und n Aufgaben, die gelöst werden müssen. Jeder Arbeiter hat eine Liste, in welcher für jede Aufgabe, die Zeit für ihre Bearbeitung angegeben wird. Gesucht wird die minimale Endzeit nachdem alle Aufgaben bearbeitet wurden. Technische Universität München Graphmodellierung Technische Universität München Bipartite Graphen • Definition: Ein Graph G = (V, E) heißt bipartit, genau dann wenn V=V1 U V2 und V1 ∩ V2 = { } und für jede Kante e existieren zwei Knoten v1 ϵ V1, v2 ϵ V2, so dass e={v1,v2}. Technische Universität München Matchings • Definitionen: Sei G = (V, E) ein Graph. - M heißt Matching in G, falls M eine Teilmenge von E ist und alle Kanten in M paarweise disjunkt sind (kein Knoten ist zu mehr als einer Kante inzident) - M heißt perfektes Matching, falls jeder Knoten durch genau eine Kante aus M überdeckt ist. (|M|=|V|/2) - |M| ist die Größe des Matchings. Technische Universität München Das Heiratsproblem • Gegeben seien heiratswillige Damen und Herren. Jede Dame gibt an, mit welchem der Herren sie sich eventuell vermählen würde. • Das Problem besteht nun darin, möglichst viele Damen so zu verheiraten, dass jede Dame einen Herren ihrer Wahl erhält, und dass selbstverständlich keine zwei Damen mit demselben Herrn verheiratet sind. Technische Universität München Minimal vertex cover • Definition: Ein “Vertex Cover” ist eine Menge von Knoten in einem beliebigen Graph, wobei jede Kante zu wenigstens einem Knoten inzident ist. • Ein Vertex Cover ist minimal genau dann wenn es die minimale Anzahl von Knoten hat. • Normalerweise ist das ein NP- hartes Problem. • Ist das auch für bipartite Graphen so? Technische Universität München Minimal vertex cover • Definition: Ein “Vertex Cover” ist eine Menge von Knoten in einem beliebigen Graph, wobei jede Kante zu wenigstens einem Knoten inzident ist. • Ein Vertex Cover ist minimal genau dann wenn es die minimale Anzahl von Knoten hat. • Normalerweise ist das ein NP- hartes Problem. • Ist das auch für bipartite Graphen so? Nein! Technische Universität München Minimal edge cover • Definition: Ein “Edge Cover” ist eine Menge von Kanten in einem beliebigen Graphen, wobei jeder Knoten wenigstens eine Kante hat die zu ihm inzident ist. • Ein Edge Cover ist minimal genau dann wenn es die minimale Anzahl von Kanten hat. • Für ein bipartiter Graph entspricht er einem Matching. Technische Universität München Maximum independent Set • Definition: Ein “Independent Set“ ist eine Menge von Knoten in einem Graph, wo keine zwei Knoten durch eine Kante verbunden sind. • Ein “Independent Set” ist genau dann maximal, wenn beim Einfügen eines beliebigen Knotens die Definition verletzt wird. • Der Komplement eines solcher Menge ist immer ein vertex cover => Komplement eines Maximum Independent Sets ist ein Minimal Vertex Cover Technische Universität München Eigenschaften bipartiter Graphen • Ein Graph ist bipartit wenn er keinen Zyklus ungerader Länge enthält. (er enthält keine Clique >= 3) • Größe des minimum vertex covers = Größe des maximalen Matchings. (König´s Theorem) • Maximum independent set + maximaler Matching = |V| • Größe des minimum edge covers = Größe des maximalen independent sets. • Jeder bipartite Graph ist mit zwei Farben färbbar. Technische Universität München Algorithmus für maximalen Matching int match (int n) { mark[n] = 1; for (int i = 0; i < G[n].size(); ++ i) if (!d[G[n][i]]) { d[G[n][i]] = n; p[n] = G[n][i]; return 1; } for (int i = 0; i < G[n].size(); ++ i) if (mark[d[G[n][i]]] != 1 && match(d[G[n][i]])) { d[G[n][i]] = n; p[nod] = G[n][i]; return 1; } return 0; } Technische Universität München Aufgaben • • • • • • • • • • Joc4 Felinare Strazi Critice Two Shortest Dijkstra, Dijkstra Dominoes Ghizi Paznici Algola